論文の概要: Machine learning for structural design models of continuous beam systems via influence zones

• arxiv url: http://arxiv.org/abs/2403.09454v1
• Date: Thu, 14 Mar 2024 14:53:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-15 20:07:46.992097
• Title: Machine learning for structural design models of continuous beam systems via influence zones
• Title（参考訳）: 影響領域を用いた連続ビーム系の構造設計モデルのための機械学習
• Authors: Adrien Gallet, Andrew Liew, Iman Hajirasouliha, Danny Smyl,
• Abstract要約: この研究は、逆問題の観点から連続ビームシステムのための機械学習構造設計モデルを開発する。 本研究の目的は,任意のシステムサイズを持つ連続ビームシステムの断面積要求を予測できる非定常構造設計モデルを概念化することである。
• 参考スコア（独自算出の注目度）: 3.284878354988896
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work develops a machine learned structural design model for continuous beam systems from the inverse problem perspective. After demarcating between forward, optimisation and inverse machine learned operators, the investigation proposes a novel methodology based on the recently developed influence zone concept which represents a fundamental shift in approach compared to traditional structural design methods. The aim of this approach is to conceptualise a non-iterative structural design model that predicts cross-section requirements for continuous beam systems of arbitrary system size. After generating a dataset of known solutions, an appropriate neural network architecture is identified, trained, and tested against unseen data. The results show a mean absolute percentage testing error of 1.6% for cross-section property predictions, along with a good ability of the neural network to generalise well to structural systems of variable size. The CBeamXP dataset generated in this work and an associated python-based neural network training script are available at an open-source data repository to allow for the reproducibility of results and to encourage further investigations.
• Abstract（参考訳）: この研究は、逆問題の観点から連続ビームシステムのための機械学習構造設計モデルを開発する。 本研究は, フォワード, 最適化, 逆機械学習演算子を分離した上で, 従来の構造設計手法と比較して, アプローチの根本的な変化を表す, 最近開発されたインフルエンスゾーンの概念に基づく新しい手法を提案する。 本研究の目的は,任意のシステムサイズを持つ連続ビームシステムの断面積要求を予測できる非定常構造設計モデルを概念化することである。 既知のソリューションのデータセットを生成した後、適切なニューラルネットワークアーキテクチャを特定し、トレーニングし、目に見えないデータに対してテストする。 その結果、断面積特性予測における平均絶対パーセンテージテスト誤差は1.6%であり、ニューラルネットワークが可変サイズの構造系にうまく一般化する優れた能力を示している。 この研究で生成されたCBeamXPデータセットと、関連するpythonベースのニューラルネットワークトレーニングスクリプトは、オープンソースのデータリポジトリで利用でき、結果の再現性を可能にし、さらなる調査を促進することができる。

関連論文リスト

• Kinematic analysis of structural mechanics based on convolutional neural network [1.5496299906248863]
  フレームワークとKerasディープラーニングプラットフォームに基づく畳み込みニューラルネットワークモデルを構築した。 モデルは、トレーニングセット、検証セット、テストセットで100%精度を達成する。 可視化技術を用いて、畳み込みニューラルネットワークがどのように構造的特徴を学び、認識するかを明らかにする。
  論文  参考訳（メタデータ） (2024-05-05T04:00:03Z)
• Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [67.25782152459851]
  より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。 具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
  論文  参考訳（メタデータ） (2023-12-03T13:50:24Z)
• Loop Polarity Analysis to Avoid Underspecification in Deep Learning [0.0]
  本稿では,データ生成過程の因果構造を特定するツールとして,ループ極性解析に目を向ける。 システムを構成する異なるフィードバックループの極性を測定することで、ニューラルネットワークのより堅牢な推論が可能になることを示す。
  論文  参考訳（メタデータ） (2023-09-18T23:49:42Z)
• InVAErt networks: a data-driven framework for model synthesis and identifiability analysis [0.0]
  inVAErtは物理システムのデータ駆動分析と合成のためのフレームワークである。 これは、前方および逆写像を表す決定論的デコーダ、系の出力の確率分布を捉える正規化フロー、入力と出力の間の単射性の欠如についてコンパクトな潜在表現を学ぶ変分エンコーダを使用する。
  論文  参考訳（メタデータ） (2023-07-24T07:58:18Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Supervised DKRC with Images for Offline System Identification [77.34726150561087]
  現代の力学系はますます非線形で複雑なものになりつつある。 予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。 本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
  論文  参考訳（メタデータ） (2021-09-06T04:39:06Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• On Training and Evaluation of Neural Network Approaches for Model Predictive Control [9.8918553325509]
  本稿では,制約ニューラルネットワークを用いて実装されたモデル予測制御(MPC)のトレーニングと評価を行うフレームワークである。 モチベーションは、安全クリティカルフィードバック制御システムのリアルタイム最適化を、ニューラルネットワークと最適化層という形で学習されたマッピングに置き換えることである。
  論文  参考訳（メタデータ） (2020-05-08T15:37:55Z)
• Semi-Structured Distributional Regression -- Extending Structured Additive Models by Arbitrary Deep Neural Networks and Data Modalities [0.0]
  本稿では、構造化回帰モデルとディープニューラルネットワークを統合ネットワークアーキテクチャに結合する一般的なフレームワークを提案する。 数値実験において,本フレームワークの有効性を実証し,ベンチマークや実世界の応用において,そのメリットを実証する。
  論文  参考訳（メタデータ） (2020-02-13T21:01:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。